Hier geht es zu allen Publikationen der Gruppe Hydrologie und Klima.
Etter, S., Strobl, B., van Meerveld, I., Seibert, J. (2020): Quality and timing of crowd-based water level class observations. Hydrological Processes, https://doi.org/10.1002/hyp.13864.
In dieser Studie wurde geprüft, wie gut die Beobachtungen aus der App in der Kategorie «virtuelle Messlatte» die tatsächlichen Wasserstandsschwankungen von Flüssen abbilden können und zu welchen Zeitpunkten Beobachtungen durch Citizen Scientists vorgenommen werden. Die beobachteten Wasserstandsschwankungen passten gut mit den tatsächlichen Messungen zusammen. Die mit den App gesammelten Daten stimmten besser mit den Messungen überein als die Daten, welche von vielen unterschiedlichen Citizen Scientists auf Formularen gesammelt wurden. Die meisten Beobachtungen der Wasserstandsklassen wurden zwischen Mai und September hochgeladen, deckten jedoch praktisch die ganze Spannweite von Wasserständen ab. Diese positiven Resultate zeigen deutlich, dass die App und die virtuelle Messlatte die Sammlung wertvoller Daten von Wasserstandsschwankungen ermöglichen. Deshalb kann der Ansatz dazu verwendet werden, bestehende hydrometrische Netzwerke zu ergänzen und die Datensammlung in Regionen zu ermöglichen, wo ansonsten keine Wasserstandsdaten aufgezeichnet werden.
Strobl, B., Etter, S., van Meerveld, I., Seibert, J. (2020): Training citizen scientists through an online game developed for data quality control. Geoscience Communication, https://doi.org/10.5194/gc-3-109-2020, 2020.
In einer früheren Publikation haben wir bereits das CrowdWater Spiel vorgestellt, welches die Datenqualität der App-Beobachtungen überprüft. Zusätzlich hat sich herausgestellt, dass das CrowdWater Spiel dabei hilft, neue Citizen Scientists zu trainieren, wodurch diese die virtuelle Messlatte besser in der App platzieren können. Das CrowdWater Spiel zeigt viele unterschiedliche Platzierungen, wodurch die Citizen Scientists die Vorteile und Einschränkungen von gewissen Platzierungen kennenlernen können. Das Spielen des CrowdWater Spiels ist aber auch hilfreich, wenn die virtuelle Messlatte schon vertraut ist, da die Beobachtungen aus der CrowdWater App kontrolliert werden können.
Link zum Artikel / Link zum Preprint folgt
Strobl, B., Etter, S., van Meerveld, I., Seibert, J. (2020): Accuracy of crowdsourced streamflow and stream level class estimates. Hydrological Sciences Journal, Special Issue: Hydrological Data: Opportunities and Barriers, 65(5), https://doi.org/10.1080/02626667.2019.1578966.
Wir baten Passanten und Passantinnen, die Abflussmenge in Flüssen, an denen sie vorbeikamen, abzuschätzen. Diese Befragung führten wir an 10 verschiedenen Flüssen durch, sowohl bei hohen als auch bei tiefen Wasserständen. In diesem Artikel beschreiben wir wie gut die Passanten und Passantinnen den Abfluss, im Vergleich zu Messwerten, abschätzen konnten. Die Schätzungsfehler waren teilweise sehr hoch, allerdings waren die Mediane der Schätzungen überraschend nah am tatsächlichen Wert. Zusätzlich haben wir die Passanten und Passantinnen gebeten, Wasserstandsklassen zu schätzen. Dafür zeigten wir ihnen ein Foto, das zu einem früheren Zeitpunkt an dieser Stelle aufgenommen wurde. In dieses Foto fügten wir digital eine Messlatte ein. Diese Messlatte war in 10 Klassen unterteilt. Die Passanten und Passantinnen mussten dann angeben, welchem dieser 10 Wasserstandsklassen der momentane Wasserstand im Fluss entsprach. Die allermeisten Schätzungen waren höchstens eine Klasse von der Expertenschätzung entfernt. Aufgrund dieser Resultate empfehlen wir, dass Citizen Science Projekte eher Daten zu Wasserstandsklassen statt Abflussmengen sammeln sollten. Die Abflussmengen können dann mithilfe von hydrologischen Modellen aus den Wasserstandsdaten abgeleitet werden.
Link zum Artikel / Link zum Preprint
Etter, S., Strobl, B., Seibert, J., van Meerveld, H. J. (2020): Value of crowd‐based water level class observations for hydrological model calibration. Water Resources Research, 56(2), https://doi.org/10.1029/2019WR026108.
Normalerweise werden mehrjährige Abflussmessungen verwendet, um ein hydrologisches Modell für ein bestimmtes Einzugsgebiet zu kalibrieren, sodass es z.B. zur Vorhersage von Überschwemmungen oder Dürren verwendet werden kann. Die Durchführung dieser Messungen ist teuer und erfordert einen hohen Aufwand. Vor allem in abgelegenen Gebieten und in Entwicklungsländern fehlen deshalb solche Daten oft. Wir haben den potenziellen Wert von Wasserstandsklassen-Daten für die Modellkalibrierung untersucht. Die Wasserstandsklassen können von den Bürgern und Bürgerinnen mit Hilfe unserer virtuellen Messlatte mit verschiedenen Klassen beobachtet werden, die als Aufkleber auf ein Bild eines Flusses geklebt wird. Wir zeigen in diesem Artikel, dass eine Beobachtung pro Woche für ein Jahr die Modellkalibrierung im Vergleich zu Situationen ohne Abflussflussdaten verbessert. Die Modellergebnisse für die Beobachtungen von Wasserstandsklassen waren so gut wie präzise abgelesene Wasserstände von einer physischen Messlatte oder wie kontinuierliche Wasserstandsmessungen, wie sie von einem im Bach installierten Sensor gemessen werden könnten. Die Ergebnisse waren jedoch nicht so gut wie wenn Abflussdaten für die Modellkalibrierung verwendet werden, aber diese sind teurer in der Erfassung. Fehler in den Beobachtungen der Wasserstandsklassen hatten in den meisten Fällen keine merkliche Auswirkung auf die Modellleistung.
Strobl, B., Etter, S., van Meerveld, I., Seibert, J. (2019): The CrowdWater game: A playful way to improve the accuracy of crowdsourced water level class data. PLoS One, 14(9), https://doi.org/10.1371/journal.pone.0222579.
Das CrowdWater Spiel kontrolliert die Qualität der Wasserstandsbeobachtungen, welche durch die CrowdWater App von Citizen Scientists hochgeladen wurden. Die Spielerinnen und Spieler vergleichen zwei Fotos, das Originalfoto mit der virtuellen Messlatte und ein weiteres, welches an der gleichen Stelle, aber zu einem späteren Zeitpunkt aufgenommen wurde. Die Spielerinnen und Spieler wählen eine Wasserstandsklasse für das neue Foto aus, indem sie dieses Foto mit der virtuellen Messlatte vergleichen. Jedes Foto wird mehreren Spielerinnen und Spielern gezeigt und bekommt daher viele Abschätzungen. Der Durchschnitt aller Abschätzungen für eine Wasserstandsklasse kann dann mit dem Originalwert, welcher durch die App bereitgestellt wurde, verglichen werden. So kann das CrowdWater Spiel die Werte der App bestätigen oder korrigieren. In dieser Studie beschreiben wir das Spiel und zeigen, wie wichtig dieses für die Qualitätskontrolle ist.
Sind Sie neugierig auf das Spiel geworden oder möchten Sie helfen die Qualitätskontrolle der Bilder durchzuführen? Sie können das Spiel hier spielen: https://cwgame.spotteron.net/championship
Link zum Artikel / Link zum Preprint
Seibert, J., Strobl, B., Etter, S., Hummer, P., van Meerveld, H.J.I. (2019): Virtual staff gauges for crowd-based stream level observations. Frontiers in Earth Science – Hydrosphere, 7(70), https://doi.org/10.3389/feart.2019.00070.
Link zum Artikel / Link zum Preprint
Seibert, J., van Meerveld, H.J., Etter, S., Strobl, B., Assendelft, R., Hummer, P. (2019): Wasserdaten sammeln mit dem Smartphone – Wie können Menschen messen, was hydrologische Modelle brauchen? Hydrologie & Wasserbewirtschaftung, 63(2), 74-84, https://doi.org/10.5675/HyWa_2019.2_1.
Etter, S., Strobl, B., Seibert, J., van Meerveld, H. J. I. (2018): Value of uncertain streamflow observations for hydrological modelling. Hydrol. Earth Syst. Sci., 22(10), 5243-5257, https://doi.org/10.5194/hess-22-5243-2018.
In dieser Studie haben wir untersucht, ob Abflussschätzungen von Passanten und Passantinnen für die Anpassung von hydrologischen Modellen geeignet sind. Da wir noch nicht genug Daten aus der CrowdWater App hatten, haben wir künstliche Abflusszeitreihen mit Datenpunkten zu verschiedenen Zeitpunkten erstellt (z.B. ein Punkt pro Woche oder pro Monat). Zusätzlich haben wir Fehler, basierend auf Abflussschätzungen von 136 Befragten im Raum Zürich, zu den Daten hinzugefügt. Diese Daten entsprachen dann einer Zeitreihe, wie man sie erwarten könnte, wenn Citizen Scientists regelmässig Abflussmengen an einem Fluss schätzen. Diese künstlichen Zeitreihen wurden dann gebraucht um Modelle für sechs Schweizer Einzugsgebiete anzupassen. Die Ergebnisse zeigen, dass solche Schätzungen von ungeübten Beobachtenden für die Modellanpassung zu ungenau wären. Falls diese Fehler allerdings (um ca. die Hälfte) reduziert werden könnten und im Schnitt pro Woche ein Wert während eines Jahres beigetragen würde, so hätten diese Daten einen Mehrwert gegenüber einer Situation wo keine Abflussdaten vorhanden sind. Ein solch angepasstes Modell könnte dann in Kombination mit einer Wettervorhersage für eine Hochwasservorhersage genutzt werden.
Link zum Artikel / Link zum Preprint
Kampf, S., Strobl, B., Hammond, J., Anenberg, A.,Etter, S., Martin, C., Puntenney-Desmond, K., Seibert, J., van Meerveld, I. (2018): Testing the waters: Mobile apps for crowdsourced streamflow data. Eos, 99, https://doi.org/10.1029/2018EO096355.
van Meerveld, H. J. I., Vis, M. J. P., Seibert, J. (2017): Information content of stream level class data for hydrological model calibration. Hydrol. Earth Syst. Sci., 21(9), 4895-4905, https://doi.org/10.5194/hess-21-4895-2017.
Link zum Artikel / Link zum Preprint
Poster
Catchment Science Gordon Research Conference and Seminar – Ilja van Meerveld
Can citizens observe what models need? Evaluation of the potential value of crowd-sourced stream level observations for hydrological model calibration
Österreichische Citizen Science Konferenz 2018 – Barbara Strobl
CrowdWater als Bereicherung des Unterrichts?
Tag der Hydrologie 2018 – Jan Seibert
CrowdWater – Können Menschen messen was hydrologische Modelle brauchen?
Dieses Poster hat den Posterpreis 2018 in der Kategorie «Innovativste Studie» gewonnen.
EGU 2018 – Simon Etter
Can citizens observe what models need?
MOOC
Ein MOOC (Massive Open Online Course) ist ein öffentlicher Online-Kurs im grösseren Stil. Wie in einem traditionellen Universitätskurs setzten sich Lernende über einen gewissen Zeitraum mit einem Thema auseinander. Jegliche Wissensvermittlung passiert jedoch online. Im MOOC „Wasser in der Schweiz“ können verschiedene Vorlesungen und Feldfilme angeschaut werden, sowie Lernkontrollen und praktische Aufträge gelöst werden. Der MOOC ist gegliedert in sieben Module, die je während einer Woche bearbeitet werden sollen. Die Bearbeitung nimmt pro Modul 3 bis 4 Stunden in Anspruch.
CrowdWater hat sich an diesem MOOC der Universität Zürich beteiligt.
Klicke hier für einen Trailer oder die Kurswebseite.